人工智能（artificial intelligence，AI）是基于計(jì)算機(jī)科學(xué)來(lái)模擬人腦學(xué)習(xí)知識(shí)、 儲(chǔ)存知識(shí)、思考規(guī)劃的思維過(guò)程的一種技術(shù)。人工智能包括一系列技術(shù)：機(jī)器學(xué) 習(xí)（machine learning，ML）、深度學(xué)習(xí)（deep learning，DL）、自然語(yǔ)言處理（NLP）、 認(rèn)知計(jì)算、計(jì)算機(jī)視覺(jué)和機(jī)器人等。近年來(lái)，人工智能技術(shù)發(fā)展突飛猛進(jìn)，自動(dòng) 駕駛、人臉識(shí)別、文本處理等已經(jīng)出現(xiàn)在我們的生活領(lǐng)域。然而，與金融技術(shù)、 信息技術(shù)和航空航天等其他行業(yè)相比，人工智能在醫(yī)療領(lǐng)域的應(yīng)用速度相對(duì)緩慢。目前，人工智能在心臟病學(xué)中的應(yīng)用主要包括兩個(gè)方面，一是基于電子健康記錄 和醫(yī)學(xué)圖像等來(lái)源的 ML/DL、NLP 和認(rèn)知計(jì)算等，另一個(gè)代表是介入機(jī)器人。

    人工智能在心血管疾病特定領(lǐng)域的當(dāng)前和未來(lái)應(yīng)用：

（1）超聲心動(dòng)圖

    超聲心動(dòng)圖可以便捷、及時(shí)、經(jīng)濟(jì)地評(píng)估心臟結(jié)構(gòu)和功能，在診斷和評(píng)價(jià)心 血管疾病方面有重要價(jià)值。然而，超聲心動(dòng)圖在圖像質(zhì)量和診斷效用方面仍存在 相當(dāng)大的變異性。超聲心動(dòng)圖仍然高度依賴(lài)于操作者的經(jīng)驗(yàn)，因此，通過(guò)人工智 能，可以進(jìn)行增強(qiáng)和標(biāo)準(zhǔn)化超聲心動(dòng)圖評(píng)價(jià)。

    隨著 ML 方法的成熟，包括卷積神經(jīng)網(wǎng)絡(luò)用于圖像分類(lèi)，臨床超聲心動(dòng)圖數(shù) 據(jù)的累積量增加，給超聲心動(dòng)圖人工智能平臺(tái)的研發(fā)提供了充足的機(jī)會(huì)。這方面 的創(chuàng)新可以通過(guò)自動(dòng)測(cè)量、病理特征（瓣膜疾病、局部室壁運(yùn)動(dòng)異常、心肌�。� 的識(shí)別在治療中快速應(yīng)用，可以改進(jìn)和標(biāo)準(zhǔn)化目前流程。超聲心動(dòng)圖人工智能研 究的優(yōu)勢(shì)和前景在于識(shí)別可能提示亞臨床疾病或預(yù)后的細(xì)微或未被識(shí)別的影像學(xué) 特征。

    盡管人工智能模型的性能一直在持續(xù)改善，但要承認(rèn)的是，人工智能必須克 服一些重要的挑戰(zhàn)，才能安全地應(yīng)用于臨床實(shí)踐。與任何模型一樣，研發(fā)數(shù)據(jù)的 質(zhì)量和臨床特征是必須的參考因素。超聲心動(dòng)圖相關(guān)的數(shù)據(jù)數(shù)量大且復(fù)雜，一個(gè) 強(qiáng)大的超聲心動(dòng)圖人工智能平臺(tái)將需要對(duì)大量研究進(jìn)行培訓(xùn)和驗(yàn)證，這些研究包 括廣泛的臨床特征、病理特征、超聲機(jī)器供應(yīng)商和圖像質(zhì)量等。目前關(guān)于超聲心動(dòng)圖人工智能的研究通常存在樣本規(guī)模小，受機(jī)構(gòu)、地理因素、超聲心動(dòng)圖機(jī)器 品牌限制等，這就可能存在過(guò)度融合和限制平臺(tái)通用性的風(fēng)險(xiǎn)。此外，目前超聲 心動(dòng)圖研究很大程度上依賴(lài)于人的解釋?zhuān)�人在解釋和測(cè)量方面存在內(nèi)在的差異性。 

    超聲心動(dòng)圖人工智能代表了一個(gè)激動(dòng)人心的機(jī)會(huì)，它將徹底改變臨床實(shí)踐。經(jīng)過(guò)驗(yàn)證的超聲心動(dòng)人工智能模型將有能力提高質(zhì)量，進(jìn)行即時(shí)醫(yī)療決策，并促 進(jìn)公平獲得診斷評(píng)價(jià)。預(yù)計(jì)超聲心動(dòng)圖人工智能將影響患者診治，期待相關(guān)改善 臨床結(jié)果和成本效益的臨床研究。

（2）心臟核醫(yī)學(xué) 

    與心臟病學(xué)的其他學(xué)科不同，人工智能技術(shù)已經(jīng)被納入心臟核醫(yī)學(xué)的一些常 規(guī)操作。人工智能算法已被應(yīng)用于圖像處理，允許進(jìn)行完全自動(dòng)的單光子發(fā)射計(jì) 算機(jī)斷層掃描（SPECT）、心肌灌注成像（MPI）運(yùn)動(dòng)校正、重建、量化和高水平 分析。

    商業(yè)化和美國(guó)食品藥物管理局批準(zhǔn)的圖像軟件已經(jīng)納入正常心肌灌注分布的 數(shù)據(jù)庫(kù)，為專(zhuān)家讀者提供計(jì)算機(jī)輔助診斷工具，用于識(shí)別低灌注心肌。這些類(lèi)型 的自動(dòng)化，機(jī)器學(xué)習(xí)的數(shù)字圖像數(shù)據(jù)，以及人工智能算法的 SPECT MPI 數(shù)據(jù)，單 獨(dú)使用或者結(jié)合臨床特點(diǎn)，進(jìn)一步提高了冠心病診斷的預(yù)后判斷價(jià)值，為是否血 運(yùn)重建提供合理的臨床決策依據(jù)。

    1）提高診斷性能：在一項(xiàng)單中心研究中，ML 算法包含成像變量（通過(guò)定量 軟件進(jìn)行的靜息和壓力 SPECT 的灌注缺失、缺血變化和射血分?jǐn)?shù)變化）在總體患 者診斷準(zhǔn)確性方面優(yōu)于單個(gè)定量成像參數(shù)（86% vs 81%；P＜ 0.01）。ML 算法檢 測(cè)阻塞性 CAD 的曲線下總面積（AUC）（0.92±0.01）也顯著高于兩個(gè)人工讀片者 （0.87±0.01 和 0.88±0.01；P＜ 0.05）。使用不同的數(shù)據(jù)集，同一組人創(chuàng)建了集成 臨床和成像變量（由自動(dòng)化軟件生成的總灌注不足 [TPD]）的人工智能算法。研究 證明 ML（87.3%±2.1%）的準(zhǔn)確性高于一個(gè)或者兩個(gè)專(zhuān)家讀片者（82.1%±2.2%） 或自動(dòng) TPD（82.8%±2.2%）。在檢測(cè)檢測(cè)阻塞性 CAD 方面有更高的敏感性。一項(xiàng) 1638 名參與的多中心研究顯示：無(wú)已知 CAD 的患者使用 SPECT 掃描儀也發(fā)現(xiàn)與傳 統(tǒng)相比，深度學(xué)習(xí)（DL）利用原始和定量的 MPI 極地圖的 AUC 值均更高�；�于這 些研究，人工智能算法在預(yù)測(cè)梗阻性 CAD 方面比目前的臨床方法提高了約 2.5%。其他研究發(fā)現(xiàn)一致，與專(zhuān)家醫(yī)師視覺(jué)分析相比，訓(xùn)練有素的神經(jīng)網(wǎng)絡(luò)在識(shí)別特定冠狀動(dòng)脈狹窄病變引起的低灌注分布方面具有類(lèi)似的良好性能。 

    2）治療和預(yù)后預(yù)測(cè)：在首次 MPI 掃描后 90 天內(nèi)進(jìn)行相關(guān)侵入性血管造影的 713 例 SPECT MPI 研究中，人工智能方法也被用于預(yù)測(cè)疑似 CAD 患者的早期血運(yùn)重 建。通過(guò) ML 算法對(duì)幾個(gè)自動(dòng)衍生的影像學(xué)變量和臨床參數(shù)進(jìn)行整合，包括性別、 高血壓和糖尿病史、基線心電圖 ST 段壓低、運(yùn)動(dòng)心電圖和臨床變化（總共 33 個(gè)變 量），以預(yù)測(cè)血運(yùn)重建事件。ML 預(yù)測(cè)血流量重建的 AUC（0.81±0.02）與單個(gè)醫(yī)生 的 AUC（0.81±0.02）相近，優(yōu)于另一個(gè)醫(yī)生的 AUC（0.72+0.02；P＜ 0.05）。因 此，在本研究中，ML 在預(yù)測(cè) MPI 后早期血運(yùn)重建方面與有經(jīng)驗(yàn)的醫(yī)生相當(dāng)或更好。在預(yù)后方面，Betancur 等人研究了 2 619 例 SPECT MPI 患者，并將 28 個(gè)臨床、17 個(gè) 壓力測(cè)試和 25 個(gè)成像變量（包括 TPD）整合到人工智能算法中來(lái)預(yù)測(cè)主要心臟事 件。在超過(guò)（3.2+0.6）年的隨訪中，他們比較了 AUC 對(duì)以下結(jié)果的預(yù)測(cè)：ML 與所 有可用數(shù)據(jù)（ML combined）、ML 與僅影像學(xué)數(shù)據(jù)（ML-imaging）、5 分制診斷（內(nèi) 科診斷）、自動(dòng)化定量成像分析（負(fù)荷 TPD 和缺血性 TPD）。他們發(fā)現(xiàn)，ML 聯(lián)合組 的 MACE 預(yù)測(cè)顯著高于 ML 成像組（AUC, 0.81 vs 0.78；P＜ 0.01）。ML 組合模型的 預(yù)測(cè)精度也高于內(nèi)科診斷、自動(dòng)壓力 TPD 和自動(dòng)缺血 TPD （AUC，分別為 0.81 vs  0.65、0.73 和 0.71；P＜ 0.01）。與醫(yī)生的診斷相比，聯(lián)合治療的風(fēng)險(xiǎn)重分類(lèi)為 26%  （P＜ 0.01）�；�于他們的研究結(jié)果，建議人工智能可以整合臨床和影像數(shù)據(jù)，對(duì)接 受 SPECT MPI 的患者進(jìn)行個(gè)性化 MACE 風(fēng)險(xiǎn)計(jì)算。

    3）人工智能驅(qū)動(dòng)的結(jié)構(gòu)化報(bào)告 CDS。人工智能驅(qū)動(dòng)的算法也被納入了第一個(gè) 也是唯一一個(gè)獲得美國(guó)食品和藥物管理局批準(zhǔn)的核成像軟件，使用 CDS 工具和自 然語(yǔ)言自動(dòng)生成報(bào)告。該系統(tǒng)集成了超過(guò) 230 條規(guī)則、可逆性、功能和患者人口學(xué) 特征，包括俯臥位與仰臥位、衰減校正與未衰減校正的圖像結(jié)果以及質(zhì)量控制數(shù) 據(jù)等額外信息。一項(xiàng)對(duì) 1 000 名患者的研究驗(yàn)證了這種人工智能驅(qū)動(dòng)的報(bào)告系統(tǒng)檢 測(cè) CAD，結(jié)果顯示人工智能驅(qū)動(dòng)的結(jié)構(gòu)化報(bào)告與 9 名專(zhuān)家對(duì) CAD 缺血印象之間的 一致性沒(méi)有顯著差異。

    定量工具已經(jīng)在核心臟病學(xué)的實(shí)踐中常規(guī)使用，但結(jié)合多種特征和臨床數(shù)據(jù) 的更高水平的工具還不普遍。最近的研究表明，在臨床實(shí)踐中有很高的應(yīng)用潛力。除了精煉和構(gòu)建研究以提高診斷和預(yù)后，即將到來(lái)的人工智能在核心臟病學(xué)的重 點(diǎn)應(yīng)該包括開(kāi)發(fā)人工智能驅(qū)動(dòng)算法，以幫助臨床決策的適宜性測(cè)試、選擇測(cè)試、 調(diào)度、工作流優(yōu)先級(jí)、協(xié)議、報(bào)告和患者管理。這些發(fā)展不會(huì)取代醫(yī)生和其他衛(wèi)生保健專(zhuān)業(yè)人員的角色，但將為他們提供高度精確的工具，以更一致的方 式檢測(cè)疾病，風(fēng)險(xiǎn)分層，并優(yōu)化針對(duì)患者的管理。

（3）電生理學(xué) 

    在電生理學(xué)中集成 AI 的幾個(gè)重要機(jī)會(huì)包括數(shù)據(jù)管理（如何允許管理大量患者 數(shù)據(jù)）、數(shù)據(jù)解釋?zhuān)ㄈ绾螐?fù)雜數(shù)據(jù)專(zhuān)家解釋的大眾化），以及多種模式獲取的數(shù)據(jù) 的實(shí)時(shí)集成。此外，使用人工智能增強(qiáng)、經(jīng)濟(jì)效益獲得的電生理學(xué)數(shù)據(jù)（如 ECG） 不斷的發(fā)展、的發(fā)現(xiàn)表明，篩查通常與心電圖無(wú)關(guān)的疾病的能力可能為改善人口健康提供可擴(kuò)展的機(jī)會(huì)。

    目前電生理學(xué)的主要爭(zhēng)論之一是如何將動(dòng)態(tài)獲得的心電圖納入臨床實(shí)踐。一 些工具，包括可植入記錄儀和面向消費(fèi)者的智能手機(jī)或支持智能手表的心電圖設(shè) 備，在許多情況下，在被確定為已知的心血管疾病患者之前，允許對(duì)人群進(jìn)行更 具成本效益的篩查。例如，個(gè)人可以通過(guò)互聯(lián)網(wǎng)購(gòu)買(mǎi)自己的心電圖設(shè)備，記錄自 己的心電圖，然后需要對(duì)這些數(shù)據(jù)進(jìn)行準(zhǔn)確的解釋。盡管能夠準(zhǔn)確和自動(dòng)解釋這些心電圖的系統(tǒng)已經(jīng)得到了改進(jìn)，但仍然存在假陽(yáng)性或假陰性的風(fēng)險(xiǎn)。閱讀心電 圖的專(zhuān)業(yè)知識(shí)被下放到基層醫(yī)療機(jī)構(gòu)，使得 ECG 的獲得變得更加方便。初步數(shù) 據(jù)表明，人工智能技術(shù)可能進(jìn)一步改善這些心電圖的解讀，并為那些需要看醫(yī)生 （包括心臟病專(zhuān)家或電生理學(xué)家）的人提供合適的分流。然而，目前還無(wú)法在人口水平上評(píng)價(jià)計(jì)算的需要和效力。

    電生理學(xué)的另一個(gè)當(dāng)前問(wèn)題是如何更好地促進(jìn)復(fù)雜的電生理學(xué)數(shù)據(jù)的解釋。例如，Q-T 間期的測(cè)量對(duì)于識(shí)別那些有猝死風(fēng)險(xiǎn)或抗心律失常藥物毒性風(fēng)險(xiǎn)的人很 重要，但已經(jīng)發(fā)現(xiàn)其變異性大，即使在心臟病學(xué)專(zhuān)家和一些電生理專(zhuān)家的評(píng)價(jià)一 致性中也存在。初步數(shù)據(jù)表明，DL 人工智能技術(shù)可能有助于僅從心電圖圖像識(shí)別 特定 Q-T 間期帶來(lái)的風(fēng)險(xiǎn)。此外，利用專(zhuān)家級(jí) Q-T 解釋來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)可能有潛 力提高非電生理學(xué)家和非心臟病學(xué)家的解釋準(zhǔn)確性。這些原則適用于其他電生理 數(shù)據(jù)，如心律失常心腔圖的解釋。

    當(dāng)前電生理學(xué)的另一個(gè)主要機(jī)遇是如何整合通常多種不同的，互補(bǔ)但單獨(dú)獲 得的數(shù)據(jù)，以促進(jìn)對(duì)特定患者治療的正確解釋和優(yōu)化。在心律失常患者接受侵入 性電生理檢查和消融術(shù)時(shí)，術(shù)前影像的組合（如磁共振成像評(píng)估瘢痕分布、心電 圖評(píng)估心律失常的起源）和術(shù)中成像（如心臟內(nèi)的超聲心動(dòng)圖、透視）可用來(lái)優(yōu) 化治療。然而，由于這些數(shù)據(jù)都是在通過(guò)不同技術(shù)不同時(shí)間點(diǎn)獲得的。最近的數(shù) 據(jù)表明，人工智能技術(shù)可以促進(jìn)數(shù)據(jù)集成，這反過(guò)來(lái)可以幫助醫(yī)生更有效率，或 者更有效地識(shí)別和定位與患者病情相關(guān)的部位。

    最后，將人工智能技術(shù)應(yīng)用于電生理數(shù)據(jù)的一個(gè)主要機(jī)會(huì)不僅是大眾化、規(guī) 模化和促進(jìn)數(shù)據(jù)的準(zhǔn)確解釋和合成的能力，而且是通過(guò)非人類(lèi)可解釋的見(jiàn)解來(lái)改 善人口健康的能力。這一原則的關(guān)鍵在于心電圖可能包含一些人類(lèi)無(wú)法輕易理解 的微妙之處。舉個(gè)例子，有研究顯示，僅使用心電圖來(lái)識(shí)別低 EF 的可能，并且有 高精確度，又有幾個(gè)其他條件可能同樣從心電圖識(shí)別，從而提高風(fēng)險(xiǎn)分層人口水 平可伸縮的、低成本的方式。因此，從心電圖中識(shí)別診斷不足、有可能治療的疾 病的能力具有成本效益的改善人口健康問(wèn)題。 

（4）冠心病檢測(cè)與預(yù)后 

    急性冠脈綜合征（ACS）是冠心病最危急的類(lèi)型，通常根據(jù)心電圖和生物標(biāo)志 物分為 ST 段抬高心肌梗死（STEMI）、非 ST 段抬高心肌梗死（NSTEMI）和不穩(wěn)定型心絞痛（UAP）。快速心電圖評(píng)估進(jìn)行診斷對(duì) STEMI 的及時(shí)治療至關(guān)重要。通過(guò) 單導(dǎo)智能手機(jī)平臺(tái)，快速診斷現(xiàn)已被證明是可行的。這項(xiàng)技術(shù)可以廣泛傳播，并與 ML 相結(jié)合，對(duì) STEMI 患者進(jìn)行快速分診。加速轉(zhuǎn)運(yùn)到經(jīng)皮冠狀動(dòng)脈介入治療機(jī)構(gòu) 可以更及時(shí)地改善治療結(jié)果。醫(yī)院外心臟驟停的研究也在進(jìn)行中，其中大部分是由 ACS 引起的。機(jī)器學(xué)習(xí)算法已被用于分析通過(guò)智能家庭揚(yáng)聲器和電話的家庭錄音， 以識(shí)別窒息樣呼吸，這是心臟驟停的典型跡象。對(duì)這類(lèi)記錄的準(zhǔn)確檢測(cè)可使人們發(fā) 現(xiàn)心臟驟停，并對(duì)家中發(fā)生的大量未被目擊的心臟驟停患者啟動(dòng)緊急措施。

    在 STEMI 以外的 ACS （即 NSTEMI 和 UAP）中，管理可能不那么明確。在這個(gè) 方面早期診治嘗試用 ML 進(jìn)行 12 導(dǎo)聯(lián)心電圖解釋是有意義的。UAP/NSTEMI 的治療 主要基于風(fēng)險(xiǎn)分層，據(jù)研究 ML 改善了先前驗(yàn)證過(guò)的模型，如 TIMI 或 GRACE 風(fēng)險(xiǎn) 評(píng)分。同樣，對(duì)死亡率和 / 或治療并發(fā)癥的長(zhǎng)期預(yù)測(cè)可以提高。對(duì)高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn) 患者的識(shí)別的改進(jìn)將有助于提高資源的利用率和更個(gè)體化的治療。目前研究正在 努力綜合多種非心臟數(shù)據(jù)，以進(jìn)一步完善 ACS 的診斷、治療和預(yù)后。病情穩(wěn)定的 CAD 患者也可能通過(guò)人工智能得到改善，例如，識(shí)別可能受益于血運(yùn)重建的患者， 或平衡抗栓益處和出血風(fēng)險(xiǎn)，選擇最合適的抗血小板策略。

   上述的工作代表了人工智能在冠心病領(lǐng)域從預(yù)防到治療廣泛應(yīng)用的可能性。很明顯，在目前的許多情況下，通過(guò)隨機(jī)對(duì)照試驗(yàn)進(jìn)行臨床驗(yàn)證仍需要繼續(xù)進(jìn)行。然而，令人鼓舞的是，即使是在 ML 對(duì) CAD 影響的初期階段，它也有望提供更好的 預(yù)后和挖掘新的危險(xiǎn)因素，這將進(jìn)一步有助于 CAD 患者的治療。

（5）冠狀動(dòng)脈造影和介入 

    介入心臟病學(xué)傳統(tǒng)上一直處于心血管創(chuàng)新的前沿。在過(guò)去的十年里，侵入性 血管內(nèi)成像、生理學(xué)、血流動(dòng)力學(xué)、機(jī)器人技術(shù)和雜交心血管外科手術(shù)等得到了 快速發(fā)展。診斷預(yù)測(cè)、治療策略設(shè)計(jì)、設(shè)備選擇、程序優(yōu)化和并發(fā)癥的避免都是 人工智能應(yīng)用有望取得快速進(jìn)展的領(lǐng)域。 

    早期應(yīng)用人工智能評(píng)估冠狀動(dòng)脈的研究包括最近的 CEREBRIA-1 研究，這些 研究驗(yàn)證了在冠狀動(dòng)脈病變重要生理功能評(píng)價(jià)和推薦血管重建中，ML 和人工智能 不遜于常規(guī)診治。 

    目前各地都有很好的心血管急救系統(tǒng)，但在關(guān)鍵的早期診斷和管理決策方面 存在相當(dāng)大的差異。未來(lái)，智能算法可能會(huì)在第一次呼叫時(shí)立即審查患者的病史和危險(xiǎn)因素，并通過(guò)一系列預(yù)測(cè)性問(wèn)題在運(yùn)輸服務(wù)到達(dá)醫(yī)院之前建立初步診斷。隨著可以掃描皮膚行靜脈穿刺設(shè)備的發(fā)展，無(wú)需人工干預(yù)的高分辨率計(jì)算機(jī)斷層 掃描儀可提供冠狀動(dòng)脈的解剖和生理評(píng)估�？旖莸男碾妶D可能提供明確的診斷信 息，并在 5~10 分鐘內(nèi)抵達(dá)急診室。上述步驟甚至可能不需要任何人工干預(yù)或評(píng)估， 并可能導(dǎo)致不會(huì)首選侵入性冠狀動(dòng)脈造影，可以在必要時(shí)進(jìn)行�；�于人工智能的 診斷方法已被用于分析冠狀動(dòng)脈病變功能學(xué)評(píng)價(jià)，迄今為止結(jié)果不一。Cho 等人的 一項(xiàng)研究表明，總的來(lái)說(shuō)，血管造影功能學(xué)分析的準(zhǔn)確性可能接近 82% 的 FFR。 

    在過(guò)去的十年里，用于冠狀動(dòng)脈介入治療的磁導(dǎo)航系統(tǒng)和機(jī)器人技術(shù)已經(jīng)出 現(xiàn)，但一直受到高昂成本和低效界面的阻礙。人工智能引導(dǎo)的血管通路和介入設(shè) 備導(dǎo)航到病變部位將是可行的，多模式技術(shù)將實(shí)時(shí)熱、超聲和流量數(shù)據(jù)與機(jī)器人 和以前獲得的診斷計(jì)算機(jī)圖像融合在一起。同樣，通過(guò)人工智能引導(dǎo)設(shè)備進(jìn)行冠 狀動(dòng)脈血運(yùn)重建或藥物治療也是可行的，心臟介入團(tuán)隊(duì)可以在不暴露于電離輻射 的情況下監(jiān)測(cè)和控制設(shè)備。能夠自動(dòng)導(dǎo)航到動(dòng)脈粥樣硬化區(qū)域并提供靶向治療的 納米顆粒已經(jīng)在開(kāi)發(fā)中，內(nèi)部和外部的磁性引導(dǎo)和配體連接聚集，可以進(jìn)一步產(chǎn) 生有益的效果，同時(shí)最大限度地減少對(duì)其他器官的不利影響

    瓣膜疾病、先天性和后天異常以及生命維持技術(shù)也將是人工智能應(yīng)用的主要 領(lǐng)域。將來(lái)在心導(dǎo)管實(shí)驗(yàn)室，在時(shí)間和空間上實(shí)時(shí)評(píng)估和整合患者解剖結(jié)構(gòu)信息，結(jié)合自體活細(xì)胞和聚合物剛性金屬?gòu)?fù)合材料，進(jìn)行 3D 打印，可能是介入心臟病學(xué) 的一個(gè)重要方向。

（6）心臟衰竭 

    目前心力衰竭（HF）診治模式不成熟，診斷延遲較常見(jiàn)，心力衰竭的許多危 險(xiǎn)因素并沒(méi)有被認(rèn)識(shí)，治療和控制相對(duì)較低。大多數(shù)射血分?jǐn)?shù)減低和射血分?jǐn)?shù)保 留的心衰患者沒(méi)有接受已被證明的降低死亡率和發(fā)病率的治療，或者在進(jìn)行低劑 量的治療。此外，HF 表型的病理生理學(xué)特征仍處于研究階段。人工智能支持的策 略有潛力解決這些問(wèn)題。

    1）心臟衰竭預(yù)防：臨床試驗(yàn)證實(shí)，心衰預(yù)防可顯著降低心衰發(fā)病率。心衰預(yù) 防需要一種方法來(lái)識(shí)別心衰風(fēng)險(xiǎn)患者和心衰預(yù)防干預(yù)過(guò)程。心衰風(fēng)險(xiǎn)識(shí)別部分可 以幫助集中干預(yù)這部分患者，從而提高可行性，降低總體成本。干預(yù)部分的效果 將決定整體人群心衰防治的效益。 

    目前心衰危險(xiǎn)評(píng)分應(yīng)用于臨床少見(jiàn)。Ng 等人開(kāi)發(fā)了監(jiān)督 ML 算法，利用 EHR 數(shù)據(jù)預(yù)測(cè)突發(fā) HF。ML 算法預(yù)測(cè)未來(lái) HF 的 AUC 約為 0.79，在檢測(cè)即將到來(lái)（6 個(gè) 月）HF 時(shí)更為準(zhǔn)確。雖然 AI 算法可能沒(méi)有比傳統(tǒng)模型更好的預(yù)測(cè)價(jià)值， ML 算法嵌 入到電子健康檔案可以為醫(yī)生提供即時(shí)風(fēng)險(xiǎn)信息（病人），可以調(diào)整隨著時(shí)間的推 移風(fēng)險(xiǎn)的變化，如果危險(xiǎn)因素變化，并整合心電圖或圖像分析、可穿戴設(shè)備和其 他數(shù)據(jù)，風(fēng)險(xiǎn)預(yù)測(cè)算法可能會(huì)更精確的預(yù)測(cè)個(gè)體獨(dú)有的風(fēng)險(xiǎn)因素。 

未來(lái)人工智能心衰風(fēng)險(xiǎn)評(píng)估工具的開(kāi)發(fā)，預(yù)先與有計(jì)劃的干預(yù)相結(jié)合，以降 低心衰發(fā)病率。這些干預(yù)措施可以包括一種新的治療模式，一些特定的治療藥物 或智能決策，以鼓勵(lì)臨床醫(yī)生和患者治療心衰危險(xiǎn)因素。臨床試驗(yàn)應(yīng)該評(píng)估風(fēng)險(xiǎn) 預(yù)測(cè)和干預(yù)策略，以驗(yàn)證采用有效的策略來(lái)降低心衰發(fā)病率。 

    2）心衰住院預(yù)防：心衰住院預(yù)防措施也需要一種方法來(lái)識(shí)別有風(fēng)險(xiǎn)的患者和 住院防治監(jiān)測(cè)。傳統(tǒng)的統(tǒng)計(jì)模型在再入院預(yù)測(cè)方面的性能較差，而且基于人工智 能的模型也受到了限制。有 3 項(xiàng)研究使用監(jiān)督 ML（包括大隊(duì)列的 DL 算法）來(lái)預(yù)測(cè) 心衰住院后的再入院，報(bào)告的 AUC 從 0.63~0.71。因此，需要更多的工作來(lái)提高不 同算法的預(yù)測(cè)能力，識(shí)別心衰再入院的風(fēng)險(xiǎn)。

    雖然 ML 可能提升風(fēng)險(xiǎn)預(yù)測(cè)，但更令人煩惱的問(wèn)題是，一旦認(rèn)識(shí)到風(fēng)險(xiǎn)增加， 如何防止再入院。醫(yī)療機(jī)構(gòu)為減少再入院而采取的多種策略所產(chǎn)生的影響微乎其微。使用外部遠(yuǎn)程監(jiān)測(cè)系統(tǒng)或植入設(shè)備（除顫器或起搏器）診斷的遠(yuǎn)程監(jiān)測(cè)在防 止入院或再入院方面是無(wú)效的，只有基于肺動(dòng)脈壓的遠(yuǎn)程監(jiān)測(cè)策略被證明對(duì)減少 心衰住院有效。最令人震驚的是，減少再入院的策略與心衰住院后短期和長(zhǎng)期死 亡率的增加相關(guān)。因此，必須在臨床試驗(yàn)中仔細(xì)研究人工智能的住院風(fēng)險(xiǎn)預(yù)測(cè)和 新的干預(yù)策略，以確保有效性和安全性。

    3）心衰管理：人工智能分析可以在心力衰竭患者實(shí)時(shí)提供可操作的信息情況 下，通過(guò)識(shí)別那些確診患者有無(wú)按照規(guī)定 GDMT 或接收的最佳劑量，有無(wú)依從治療 計(jì)劃，或最有可能受益于某些特定的心衰療法。這類(lèi)人工智能生成的信息可以以 更新穎、便捷、智能的方式提供給患者和醫(yī)生，這些信息可能會(huì)影響患者的治療 （為患者提供決策輔助、特定問(wèn)題的醫(yī)生或患者教育、支持聯(lián)系，或其他區(qū)域或衛(wèi) 生保健系統(tǒng)特定的資源）。這種方法更類(lèi)似于高度成功商業(yè)的人工智能分析所提供 的數(shù)據(jù)，而人工智能在醫(yī)療保健領(lǐng)域的應(yīng)用尚未達(dá)到這種成功水平。

（7）人工智能在闡明心衰病理生理學(xué)、精準(zhǔn)醫(yī)學(xué)和新療法中的作用 

    目前，HF 的廣泛特征是 EF 和推測(cè)的病因。非監(jiān)督 ML 分析（如聚類(lèi)分析）可 以識(shí)別獨(dú)特的 HF 表型，然后使用傳統(tǒng)統(tǒng)計(jì)方法或監(jiān)督學(xué)習(xí)技術(shù)來(lái)確定所識(shí)別的表 型是否具有不同的預(yù)后或?qū)χ委煹哪褪苄曰蚍磻?yīng)。此類(lèi)分析已在 HFpEF 和 HFREF 的 HF 患者中進(jìn)行，使用臨床數(shù)據(jù)作為輸入變量，確定具有不同預(yù)后的 HFpEF 和 HFrEF 表型。將來(lái)需要臨床特征以外的數(shù)據(jù)，比如基因組、蛋白質(zhì)組數(shù)據(jù)、微生物 組、新的臨床數(shù)據(jù)，心電圖或圖像分析，來(lái)進(jìn)一步診斷心衰患者的表型，可以通 過(guò)新的治療靶點(diǎn)或診斷 / 預(yù)后生物標(biāo)志物識(shí)別獨(dú)特的病理生理變化，并確定其精確 性或新的心衰治療方法。

（8）預(yù)防心臟病學(xué) 

    冠心病的研究已經(jīng)產(chǎn)生了一些概念，這些概念被認(rèn)為是現(xiàn)代醫(yī)學(xué)的基礎(chǔ)，包 括識(shí)別和添加相關(guān)條件的風(fēng)險(xiǎn)因素到風(fēng)險(xiǎn)分層的整體模型。人工智能的定位是通 過(guò)分析大量的變量，識(shí)別非線性關(guān)聯(lián)，并幫助識(shí)別新的危險(xiǎn)因素。 

    目前，在冠心病和動(dòng)脈粥樣硬化性心血管疾病的初級(jí)風(fēng)險(xiǎn)分層中最常用的工 具是美國(guó)心臟病學(xué)會(huì) / 美國(guó)心臟協(xié)會(huì)聯(lián)合隊(duì)列方程風(fēng)險(xiǎn)計(jì)算器，這是一種有價(jià)值但 不精確的工具。使用相同的 9 個(gè)傳統(tǒng)風(fēng)險(xiǎn)因素，ML 算法能夠顯著地改善風(fēng)險(xiǎn)分層，包括發(fā)現(xiàn) 13% 的高風(fēng)險(xiǎn)個(gè)體和推薦 25% 的低風(fēng)險(xiǎn)個(gè)體的他汀類(lèi)藥物治療，部分原 因是非線性關(guān)系的識(shí)別。相比之下，一項(xiàng)單獨(dú)的研究使用了每個(gè)人多達(dá) 735 個(gè)變量 來(lái)改進(jìn)隊(duì)列風(fēng)險(xiǎn)計(jì)算器，并強(qiáng)調(diào)了包括非傳統(tǒng)風(fēng)險(xiǎn)因素的重要性。有趣的是，與 在算法中包含大量數(shù)據(jù)后的預(yù)期相反，與前面提到的僅使用標(biāo)準(zhǔn) CAD 風(fēng)險(xiǎn)因素的 算法相比，使用數(shù)百個(gè)變量的預(yù)測(cè)性能并沒(méi)有更好。 

    機(jī)器學(xué)習(xí)是一種創(chuàng)新和強(qiáng)大的工具，可以將非傳統(tǒng)和未知的危險(xiǎn)因素納入心血管 風(fēng)險(xiǎn)分層。例如，利用生物信號(hào)如視網(wǎng)膜眼底圖像作為生物樣本庫(kù)的一部分，并在沒(méi) 有任何其他臨床特征的情況下用于預(yù)測(cè)心血管風(fēng)險(xiǎn)因素。同樣，通過(guò)使用 ML 算法通 過(guò)智能手機(jī)錄音進(jìn)行的語(yǔ)音分析揭示了與CAD相關(guān)的特征。這些例子只是許多可能有 用的新數(shù)字生物標(biāo)記信息中的一小部分。預(yù)測(cè)動(dòng)脈粥樣硬化性心血管事件的方法可能 需要改變一些公認(rèn)的范式，例如時(shí)間范圍評(píng)估結(jié)果低于10年的隨訪，使用串行數(shù)據(jù)獲 得多個(gè)時(shí)間點(diǎn)，并考慮更多的無(wú)監(jiān)督學(xué)習(xí)方法而不是選擇變量生物合理性。

（9）臨床決策支持 

    在一個(gè)醫(yī)學(xué)知識(shí)不斷增長(zhǎng)和病人管理的復(fù)雜性日益增加的時(shí)代，對(duì)診斷和 治療的選擇，需要標(biāo)準(zhǔn)化的方案。事實(shí)上，應(yīng)授權(quán)將 CDS 系統(tǒng)與電子病歷相結(jié) 合，向醫(yī)護(hù)人員提供最新的醫(yī)學(xué)知識(shí)和循證指導(dǎo)。直到最近，大多數(shù)部署在醫(yī) 療保健中的 CDS 系統(tǒng)都僅限于訪問(wèn)電子病歷中的結(jié)構(gòu)化數(shù)據(jù)，如實(shí)驗(yàn)室結(jié)果。然而，非結(jié)構(gòu)化臨床敘述中的信息可能會(huì)被 NLP 提取。以前，NLP 工具僅限于 研究，并沒(méi)有用于生成自動(dòng)輸入到 CDS 系統(tǒng)。重要的是，利用 NLP 來(lái)搜索數(shù)字 電子病歷的電子工具也能夠?yàn)?CDS 程序提供自動(dòng)輸入，從而提供針對(duì)患者的個(gè) 性化信息，以便在治療時(shí)以患者為中心做出決定。為了實(shí)現(xiàn)這種情況，進(jìn)行自 然語(yǔ)言處理，以提供高性能、可擴(kuò)展和實(shí)時(shí)的解決方案。梅奧診所最近報(bào)道了 這種方法對(duì)特定疾病的可行性，方法是將經(jīng)過(guò)驗(yàn)證的基于規(guī)則的 NLP 算法安裝 到梅奧診所 EHR 的大數(shù)據(jù)基礎(chǔ)設(shè)施中，從而為外周動(dòng)脈疾病患者的 CDS 系統(tǒng)生 成個(gè)性化輸入。還能夠顯示相關(guān)的實(shí)驗(yàn)室檢測(cè)結(jié)果和外周動(dòng)脈疾病患者的自動(dòng) 預(yù)后評(píng)估，使用結(jié)構(gòu)化數(shù)據(jù)元素和自動(dòng)風(fēng)險(xiǎn)計(jì)算器，這些數(shù)據(jù)來(lái)自基于社區(qū)的 研究生成的模型。原則上，類(lèi)似的方法將可能廣泛地用于其他心血管疾病，建 設(shè)標(biāo)準(zhǔn)化和高質(zhì)量文檔的醫(yī)療保健系統(tǒng)，最終實(shí)現(xiàn)將正確的信息在正確的時(shí)間 為正確的病人提供正確決策

（10）人工智能在優(yōu)化心血管研究中的應(yīng)用 

    人工智能（包括 ML 和 DL）可應(yīng)用于全基因組測(cè)序、移動(dòng)設(shè)備生物識(shí)別和 EHR 數(shù)據(jù)處理。機(jī)器學(xué)習(xí)正在改變心血管疾病的診斷、風(fēng)險(xiǎn)預(yù)測(cè)、預(yù)防和治療方 法。這些新方法提供了可觀的前景，包括快速整合大量數(shù)據(jù)，個(gè)體化的診斷和治 療，以及潛在關(guān)系的評(píng)價(jià)。然而，它們確實(shí)產(chǎn)生了新的方法論上的挑戰(zhàn)。表型必 須標(biāo)準(zhǔn)化，優(yōu)化其可靠性，數(shù)據(jù)集成等。數(shù)據(jù)的可追溯性、有效性和再現(xiàn)性必須 體現(xiàn)。在研究設(shè)計(jì)和結(jié)果解釋時(shí)，必須考慮新的偏倚，包括地理、人口和社會(huì)經(jīng) 濟(jì)地位造成的數(shù)字鴻溝和互聯(lián)網(wǎng)接入差異等。最后，必須考慮到數(shù)據(jù)缺失和治療 方式的變化。的確，與原始數(shù)據(jù)收集不同，醫(yī)療記錄數(shù)據(jù)是在給定的臨床事件中 收集的，直接與患者的健康狀況和求醫(yī)行為以及臨床醫(yī)生的治療有關(guān)。因?yàn)闆Q定 觀察時(shí)間的是病人和醫(yī)生，而不是研究人員，所以從數(shù)據(jù)中得出的結(jié)論會(huì)有所不 同。這些重要問(wèn)題強(qiáng)調(diào)了團(tuán)隊(duì)科學(xué)的重要性，將臨床醫(yī)生、數(shù)據(jù)科學(xué)家和統(tǒng)計(jì)學(xué) 家聚集在一起，以確立這些工具的有效性和可靠性。

（11）表型和風(fēng)險(xiǎn)預(yù)測(cè) 

    目前的方法和評(píng)分系統(tǒng)對(duì)于有效的臨床應(yīng)用來(lái)說(shuō)往往過(guò)于繁瑣，并且在不同 人群中不能很好地被復(fù)制，因此在臨床上必須提高病例識(shí)別和結(jié)果預(yù)測(cè)的準(zhǔn)確性和 有效性。除了電子病歷的豐富數(shù)據(jù)之外，其他類(lèi)型的結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)也適用 于ML技術(shù)。這些因素包括但不限于心電圖、超聲心動(dòng)圖和其他影像學(xué)研究的數(shù)據(jù)。使用ML進(jìn)行表型分析的一個(gè)例子是HFpEF患者的特征描述和這些患者的生存預(yù)測(cè)。Shah 等人使用無(wú)監(jiān)督 ML，在 HFpEF 患者中確定了 3 個(gè)不同的組，通過(guò)監(jiān)督學(xué)習(xí)， 他們檢查了不同組在死亡和住院方面的差異。這些有意義的結(jié)果需要在其他隊(duì)列中 驗(yàn)證，但從另一方面說(shuō)明了人工智能可以應(yīng)用到EHR的豐富環(huán)境中。另一個(gè)例子是 Attia等人將人工智能應(yīng)用于心電圖數(shù)據(jù)，以識(shí)別無(wú)癥狀左心室44 959例患者出現(xiàn)功 能障礙。訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別心室功能障礙患者，定義EF為35%或更少， 僅使用心電圖數(shù)據(jù)。在 52 870 名患者的獨(dú)立測(cè)試中，網(wǎng)絡(luò)模型的 AUC 值、敏感性、 特異性和準(zhǔn)確性分別為 0.93、86.3%、85.7% 和 85.7%。這些研究結(jié)果說(shuō)明了將人工 智能應(yīng)用于心電圖數(shù)據(jù)，可以提供一種識(shí)別心室功能障礙的篩查工具。

（12）臨床試驗(yàn) 

    招募試驗(yàn)參與者被普遍認(rèn)為是低效、耗時(shí)耗力的，這會(huì)延緩新治療的進(jìn)展和 最終的病人治療的延誤。將人工智能應(yīng)用于電子病例，將患者特征與試驗(yàn)納入和 排除標(biāo)準(zhǔn)匹配，可以提高預(yù)篩的效率。

（13）傳感器 

    可穿戴傳感器在健康預(yù)防和疾病管理中的應(yīng)用是一個(gè)有意義的課題，而人工 智能在這個(gè)新興領(lǐng)域的貢獻(xiàn)是獨(dú)一無(wú)二的。一個(gè)例子是使用智能手表數(shù)據(jù)來(lái)檢測(cè) 房顫數(shù)據(jù)。一個(gè)深度神經(jīng)網(wǎng)絡(luò)，使用依賴(lài)于 R-R 間隔近似表示的啟發(fā)式預(yù)訓(xùn)練， 與參考標(biāo)準(zhǔn)心電圖相比，表現(xiàn)出有意義的性能。在 9750 名參與者中進(jìn)行的這項(xiàng)研 究建立了概念證明，與標(biāo)準(zhǔn)心電圖相比，智能手表可以檢測(cè)心房纖顫，但靈敏度 和特異性有所降低。

    本文由培訓(xùn)無(wú)憂(yōu)網(wǎng)長(zhǎng)沙牛耳教育專(zhuān)屬課程顧問(wèn)整理發(fā)布，希望能夠?qū)ο雲(yún)⒓娱L(zhǎng)沙大數(shù)據(jù)分析培訓(xùn)的學(xué)生有所幫助。更多大數(shù)據(jù)分析培訓(xùn)課程資訊歡迎關(guān)注培訓(xùn)無(wú)憂(yōu)網(wǎng)大數(shù)據(jù)人工智能培訓(xùn)頻道或添加老師微信：1503333605010

      注：尊重原創(chuàng)文章,轉(zhuǎn)載請(qǐng)注明出處和鏈接 http://www.dedgn.cn/news-id-7063.html 違者必究！部分文章來(lái)源于網(wǎng)絡(luò)由培訓(xùn)無(wú)憂(yōu)網(wǎng)編輯部人員整理發(fā)布,內(nèi)容真實(shí)性請(qǐng)自行核實(shí)或聯(lián)系我們，了解更多相關(guān)資訊請(qǐng)關(guān)注人工智能頻道查看更多，了解相關(guān)專(zhuān)業(yè)課程信息您可在線咨詢(xún)也可免費(fèi)申請(qǐng)?jiān)囌n。關(guān)注官方微信了解更多：150 3333 6050